多目标模糊航迹规划方法研究(英文)

在航迹规划方法中,常常需要满足多个目标要求。多目标综合体现飞行任务要求和决策者意愿,而决策者对目标的认识及对各个目标趋优满意程度的主观意愿存在模糊性,在多目标规划中如何体现这种特性,是航迹规划应该考虑的问题。基于Voronoi图形的航迹规划方法,研究多目标代价性能指标的综合问题。首先,分析了多目标性能指标建立的困难:因为各子目标代价物理意义不同,且同一子目标会受到任务、飞行环境等的影响,这使得在不同情况下,不同目标代价在相对重要性方面缺乏可比性,因而造成决策者认识上的困难,不便直观反映决策者对各个目标趋优满意程度的主观意愿,影响航迹规划效果。针对这一问题,对多目标综合性能指标函数进行模糊隶属化,建立模糊优化方法,有利于解决航迹规划多目标综合的困难。结合实际算例,验证了提出的多目标模糊优化方法的合理性。     

基于A~*定长搜索算法的多无人机协同航迹规划

基于多无人机同时作业情况下的航迹规划问题,提出了一种A*定长航迹搜索算法.该算法通过选择代价值最接近给定值的节点作为最佳节点,得到定长规划航迹,接着进一步通过限定最佳节点的选择范围,改善了航迹的可飞性.仿真结果表明,利用该算法规划的定长航迹长度误差可以控制在1.4％以内,协同航迹长度误差可以控制在0.8％以内,能够满足多无人机同时到达的一般要求.     

基于Voronoi图和蚁群算法的无人机航迹规划

为提高无人机任务环境模拟的真实性,利用改进后的Voronoi图对任务环境进行建模.同时,为了更快地生成一条满足任务需求的最优飞行航迹,提高航迹规划的实战性和高效性,分析了蚁群航迹规划算法的运行原理,以及算法运行机制对算法性能的影响,提出了算法的改进原则,并在此基础上给出了新的信息素更新方式和新的启发式.利用改进后的蚁群...     

无人机航迹规划算法

无人机是现代战场实施侦察、打击的有力武器,它的发展备受关注。无人机航迹规划源于机器人运动规划,它是无人机应用研究的核心内容,对提高无人机系统在复杂战场的作战能力起着关键作用。无人机战场环境日益复杂,在强拒止、强电磁环境下,航迹规划对自主性和智能化有更高的要求,传统单一约束的算法已不能满足现今的战场需求。文章系统梳理了 5类无人机航迹规划算法中的几种常用算法及其改进算法,归纳了这些算法的原理、优缺点及适用条件,指出现阶段存在的问题与无人机航迹规划算法面临的挑战。综述表明,航迹规划算法必然向着智能化发展,自主识别和智能决策是改进、优化算法的关键。     

基于HPSO-W算法的多机航迹协同规划方法

随着无人机应用愈加广泛,三维环境下多无人机航迹协同规划问题成为近年来的研究热点。针对多机协同航迹规划问题,基于应急物流任务环境与无人机性能约束,以全局安全运行综合代价最小为优化目标建立时空协同规划模型。考虑航迹规划中粒子群算法易陷入局部极值,后期收敛慢的缺点,提出一种基于狼群优化思想的混合改进粒子群算法HPSO-W。主要是先对粒子群算法参数进行优化,加入极值变异思想,并引入头狼召唤和优胜劣汰机制,平衡算法全局和局部搜索能力,加速后期收敛,避免局部阻滞,提高寻优性能。对比验证了HPSO-W算法的高效性,并通过实例验证了协同航迹规划方法的可行性与有效性。     

基于目标分配的无人机航路规划

在航路规划中．如果存在多个目标点，优化问题就会变得复杂化。因此，在多目标点存在的情况下，航路优化问题应充分考虑目标的有关因素及空域状况，对目标和航路进行优化选择以取得某种效益。针对这一问题，提出了目标选择及航路规化的优化模型．并提出了一种改进的A*算法——大规模平行扩展A*算法对这一问题进行求解。在此基础上，针对无人机的水平飞行航路进行了规化。结果表明，通过该方法可以有效地解决多目标点存在时的航路规划问题。     

基于分步规划的三维航迹规划技术

突发威胁和对运动目标攻击是当前航迹规划过程中遇到的现实问题。针对稀疏A*算法的特点,研究提出一种基于分步规划的三维航迹规划理论,并给出了具体的实现方法,对解决当前航迹实时规划问题,具有一定指导意义。     

多无人机协同航迹规划技术研究

多无人机协同航迹规划是多无人机协同控制的重要组成部分。多无人机协同航迹规划能得到满足安全性、协同性和任务要求的较优航迹,这对提高无人机系统性能有重要的意义。介绍了多无人机协同航迹规划的问题描述和求解结构,总结了在协同规划问题中的约束条件和航迹协调方法,着重阐述了几种在多无人机编队中常用的控制方法。在此基础上,对未来可能的研究方向进行了展望。     

编队无人机的高生存力协同航路规划方法

提出了一种基于多目标遗传算法的编队无人机高生存力协同航路规划方法。方法由备选航路生成和协同规划两个步骤组成。备选航路生成的目的是为编队中的每一个无人机生成多条航路,该步骤采用的算法是多目标遗传算法。协同规划的目的是为各个无人机从备选航路中选择航路,使得各个无人机同时到达目标区域,以增加任务突然性,提高整个编队的生存力。通过仿真算例,把方法与基于Voronoi图的方法作了对比,给出了方法的优缺点分析。     

基于改进A*算法的UUV冰下避障航迹规划算法

针对冰下避障航迹规划问题,提出了一种基于改进A*算法的三维冰下避障航迹规划算法.不同于传统的A*航迹规划算法,该算法结合了人工势场航迹规划算法的思想,将水下地形碰撞约束、海冰碰撞约束以及UUV巡航高度约束重新编排.算法分析表明,该避障航迹规划算法能够有效增强UUV冰下避障能力与定深巡航高度控制能力.基于改进的A*冰下避障航迹规划算法,给出了上述约束的设计方法并进行了仿真验证.仿真结果表明,基于上述约束的航迹规划算法具有良好的避障能力、巡航高度控制能力以及航行距离控制能力.     

无人机航路规划的研究

无人机的航路规划要求满足威胁回避和可飞性。采用分层的思想，基于Voronoi图产生初始航路，利用三次样条插值法平滑航路点产生无人机可飞航路，同时利用飞行过程中的信息来更新航路进行重规划。仿真结果表明了算法的有效性。     

基于一种混合算法的巡航导弹参考航迹规划

通过分析A*算法,提出了适合与遗传算法(GA)进行混合的改进方案,针对遗传算法求解巡航导弹参考航迹规划问题,讨论了在初始群体构建和变异操作中引入改进A*算法的混合方法,从而得到参考航迹.仿真结果表明,该方法具有很强的快速规划能力,并能得到较优的结果,适合于大规模复杂环境中的参考航迹规划.     

基于PH曲线的多无人飞行器协同航迹规划研究

随着无人飞行器智能化的发展,如何使其在动态环境下避开运动威胁,并能协同以规定的时间和角度进行攻击,从而顺利完成作战任务成为研究热点.基于Pythagorean Hodograph(PH)曲线进行在线航迹规划,提出了分布估计算法和差分进化算法相结合的方法进行航迹参数寻优,并给出了在线避障多无人飞行器协同航迹规划方法,仿真试验结果表明加入速度预测的多无人飞行器协同航迹规划方法的有效性.     

基于遗传算法的无人机协同侦察航路规划

无人机将成为侦察卫星、有人驾驶侦察机的重要补充与增强手段 ,成为未来战场上广泛应用的一种侦察工具。为了提高无人机 (UAV)的侦察效率 ,在执行侦察任务前必需规划设计出高效的无人机侦察飞行航路。针对这一问题 ,本文提出了一种侦察效率指标评估的计算方法 ,解决了航路规划中的侦察效率量化问题。考虑在大范围任务区域内进行侦察航路优化存在计算的复杂性和收敛性等问题 ,本文采用遗传算法对侦察航路进行了优化处理。通过该方法得到的侦察航路可以有效地提高无人机的侦察效率。     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在敌方防御区域内执行攻击任务前必须规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出了适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明，该方法是一种有效的航路规划方法。     

Voronoi图在航迹规划中的应用

航迹规划对军用飞行器完成任务具有重要的意义。Voronoi图由于其特有的简易性,近几年来逐步应用到航迹规划中。给出利用Voronoi图进行航迹规划的方法,针对实际的战场环境以及传统Voronoi图的不足,利用改进后的Voronoi图进行航迹规划。传统的Voronoi图难以满足实际的需要,当威胁体的等级并不相同以及突发威胁体的情形下,必须进行Voronoi图的重构以及航迹的重规划,因此在威胁体的威胁等级不同的情况下介绍了如何重新构造Voronoi图的方法,指出了突发威胁体的情况如何确定该威胁体的等级。最后给出了利用Voronoi图进行航迹规划以及重规划仿真结果,验证了Voronoi图在航迹规划中的可行性。